如果有一天,AI不再给你答案,而是给你一首诗,会是什么体验?
微软AI(MAI)最新展示了这样一个案例。它与英国著名诗歌推广人 William Sieghart 以及创意工作室 Gravity Road 联合推出了一款名为 Ode Poetry 的语音应用,希望把原本只能在线下一对一进行的"诗歌咨询",变成任何人都能体验的AI服务。
William Sieghart 是英国最知名的诗歌推广者之一,也是畅销书《Poetry Pharmacy(诗歌药房)》系列作者。
他曾参与创立英国 National Poetry Day,多年来一直在各地举办一种特别的活动:与来访者面对面交流,倾听他们最近的困惑、焦虑、悲伤或喜悦,然后推荐一首最适合他们当下心境的诗。
在William看来,诗歌并不是文学欣赏,而是一种能够陪伴和疗愈人的力量。
但这种体验始终只能发生在一对一现场。
于是,他找到微软,希望借助AI,把这种体验带给更多人。
Ode Poetry 的交互方式非常简单。用户戴上耳机,与AI开始一段自然对话。AI会像真人一样询问:"最近过得怎么样?""是什么让你有这样的感受?"
在倾听之后,它不会分析你的心理,也不会给出人生建议,而是从William多年整理的《Poetry Pharmacy》诗歌体系中,推荐一首最契合你情绪的作品,并播放真人朗诵版本。
微软强调,在整个过程中,AI并不是诗歌创作者,也不是心理咨询师,而只是人与诗歌之间的一座桥梁。真正打动人的,依然是诗人与朗诵者,而AI负责理解、连接和推荐。
为了实现这种体验,微软公开介绍了背后的整套AI技术。
首先是实时语音理解。
Ode Poetry 使用的是微软最新发布的 MAI-Transcribe 语音识别模型。它能够实时理解用户说话内容,并适应不同语言、口音、方言以及复杂环境噪音。
微软公布的数据称,截至2026年7月,在国际多语言语音识别基准 FLEURS 上,MAI-Transcribe 的平均词错误率(WER)降至 4.86%,低于 Scribe v2、Gemini 3.1 Flash Lite 和 GPT-4o Transcribe 等同类模型。这意味着,用户可以像和真人聊天一样自然表达,而不用刻意放慢语速或调整发音去适应AI。
另一个核心技术,是 MAI-Voice 语音模型。
William希望,用户听到的不是冰冷的AI声音,而是自己的声音。
微软表示,MAI-Voice 只需要一小段语音样本,就能够高度还原一个人的声音,包括语调、停顿、节奏和情绪表达。
为了做到这一点,微软建立了大规模多语言语音数据集,并结合大量录音棚级别的真人配音训练模型,使它既拥有自然表达能力,也能忠实还原特定说话人的风格。
因此,在Ode Poetry中,用户听到的AI,并不是传统意义上的语音合成,而更像是William本人在与你交谈。
真正困难的部分,其实并不是语音。
微软透露,这个项目最大的挑战,在于如何把William几十年来积累的诗歌推荐经验,转化为AI能够理解和执行的系统。
开发团队把William多年来面对面咨询形成的方法论进行了结构化整理,为每一首诗建立了适用情绪、主题和场景等条件,再通过推理模型,把用户自由聊天中表达出来的情绪,与这些条件进行匹配。
整个过程结合了大模型推理、确定性规则以及工具调用机制,而不是完全依赖语言模型自由发挥。
换句话说,AI负责理解情绪,而真正推荐哪首诗,则仍然遵循William长期建立的诗歌体系。
微软也特别强调了安全问题。
开发过程中,团队专门测试了大量越狱(Jailbreak)场景,例如诱导AI充当心理医生、进行精神疾病诊断等高风险行为。
通过持续的安全评测、红队测试以及护栏优化,系统最终能够避免提供心理诊断或医疗建议,而始终把对话引导回诗歌本身。
微软认为,这也是整个产品最重要的原则之一:AI可以陪伴,但不能替代专业帮助。
除了模型能力,微软还介绍了整个产品研发过程中一个颇有意思的方法——"爬山"(Hill-climbing)。
所谓爬山,并不是一次性训练出一个完美模型,而是在准确率、一致性、推理能力、语音表现力、响应速度等多个指标之间不断微调。任何一个细小优化,都可能导致另一个指标退步,因此整个产品是在无数轮测试和修改中逐渐完善出来的。
微软表示,为了让AI能够在各种不同情绪场景下都给出恰当回应,团队进行了大量人工评测,不断修改提示词、推荐逻辑以及语音表达方式,最终才达到今天发布时的效果。
当第一次听到AI用自己的声音说话时,William回忆道:"他们录下了我的一段介绍,接着播放出来。我听着自己的声音,那些语调、停顿……我当时只觉得,哇,这真的很好。""
他说,这也是自己多年来一直希望实现的一件事,"我的一生都希望把诗歌带给每一个人,而今天,它终于有机会做到。"
过去几年,人们一直在讨论AI能否写诗、画画、创作艺术作品。而Ode Poetry提供了另一种思路。
相比生成内容,这或许才是AI更温柔的一种能力。